安装R语言运行环境

安装教程连接, 包含国内镜像快速下载

实现代码

• 实现思路：使用python将文件的空字符的位置变成0，生成csv文件后交给R语言处理
• python实现代码如下：

import pandas as pddf = pd.read_excel('file_fi.xlsx',engine='openpyxl',na_values=['', ' ', '#N/A', '#VALUE!', '#REF!'],  # 指定哪些值被视为NAkeep_default_na=False,  # 不将空字符串等默认转换为NAdtype={'gene symbol': str})  # 强制指定列类型为字符串df = df.fillna(0)print(df[['ID_REF', 'gene symbol']].head(100))# 保存为CSV文件
df.to_csv('file_fi.csv', index=False, encoding='utf-8-sig')new_df = pd.read_csv("file_fi.csv")
print(new_df[["gene symbol"]].head(1000))

• R语言读取数据代码如下：

library(readxl)
data <- read_csv("file_fi.csv")
print(data[["gene.symbol"]])

下图是这列属性的print展示

遇到的问题

• R语言读取100MB的xlsx文件过慢
  • 解决办法：用python 处理好文件，再让R语言处理
• Python读取后依然出现NA问题
  • 排查后发现，NA的行是因为原始数据集该位置的数据是空的 -> 让这些空的变成0，最终再生成一个处理后的csv文件

总结

• 处理数据需先好好观察数据；如果看到NA是空字符数据的话，应该可以很快处理，避免踩一些不必要的坑